基于在线图像优化的慢速图像风格化迁移算法（Slow Neural Method Based On Online Image Optimisation）
主体思路：人造 一张图片，计算这张图片 和 内容图像 的 内容损失，和 风格图像的 风格损失，加权和作为总体损失 ，然后调整图片，减小损失，整个过程 是在训练 图片；
内容损失采用 mse，风格 损失采用 gram 矩阵；
输出直接是一张图片；
效率较低，效果较好；
基于离线模型优化的快速图像风格化迁移算法（Fast Neural Method Based On Offline Model Optimisation）
主体思路：与上面不同， 通过一个网络得到一张图片，然后计算 内容损失和风格损失，然后 调整网络，减小 loss，整个过程 在训练网络；
内容损失采用 mse，风格 损失采用 gram 矩阵；
输出一个网络；
效率高，效果不如上面；
基于对抗生成网络的风格迁移（Style transfer based on GAN）
没啥说的，了解 GAN 自然能看懂图
摆脱GRAM矩阵、基于Patch的风格迁移
gram 矩阵无法解释 为什么能描述 图像风格，故不好优化，该方法放弃了 gram 矩阵；
主体思路：生成图像、内容图像、风格图像 都分成同样的patch，在内容损失上计算 生成图像和内容图像 对应 patch 的 mes，在风格损失上，计算 生成图像上 某 patch 和 风格图像上 内积 最小的 patch 的 mes，其他和上面相同；
据说效果更好
参考资料：
https://www.bilibili.com/video/BV1Ni4y1o7Ja?p=1&vd_source=f0fc90583fffcc40abb645ed9d20da32 基于卷积网络的图像风格迁移
https://blog.csdn.net/qq_39297053/article/details/120453246 图像风格迁移
https://www.jianshu.com/p/361a65ed41cc 图像风格迁移
https://zhuanlan.zhihu.com/p/55948352 图像风格迁移